[논문 리뷰] Beyond Quantum Noise Spectroscopy: modelling and mitigating noise with quantum feature engineering

Akram Youssry, GA Paz-Silva외 1명|arXiv (Cornell University)|2020. 03. 15.

Quantum Information and Cryptography참고 문헌 52인용 수 5

한 줄 요약

이 논문은 개방 양자 시스템에서의 노이즈를 모델링하고 완화하기 위해 양자역학적 원리를 딥러닝 모델에 통합하는 새로운 양자 특징 공 ing 프레임워크를 소개한다. 알려진 양자 역학적 동역학을 화이트박스 레이어로 통합하고, 알려지지 않은 노이즈/제어 의존성을 블랙박스 신경망을 통해 학습시킴으로써, 큐비트 동역학의 고정밀 예측과 다이내믹 디커플링과 같은 양자 제어 작업을 수행할 수 있으며, 전통적인 양자 노이즈 스펙트로스코피에 비해 융통성과 실용성 면에서 뛰어나다.

ABSTRACT

The ability to use quantum technology to achieve useful tasks, be they scientific or industry related, boils down to precise quantum control. In general it is difficult to assess a proposed solution due to the difficulties in characterising the quantum system or device. These arise because of the impossibility to characterise certain components in situ, and are exacerbated by noise induced by the environment and active controls. Here we present a general purpose characterisation and control solution making use of a novel deep learning framework composed of quantum features. We provide the framework, sample data sets, trained models, and their performance metrics. In addition, we demonstrate how the trained model can be used to extract conventional indicators, such as noise power spectra.

연구 동기 및 목표

• 양자 노이즈 스펙트로스코피에서 흔히 사용되는 제약 조건에 의존하지 않고, 개방 양자 시스템에서의 노이즈를 모델링하고 완화할 수 있는 기계학습 프레임워크를 개발하는 것.
• 양자역학적 법칙을 화이트박스 레이어로 코딩하고, 알려지지 않은 노이즈/제어 의존성을 블랙박스 신경망을 통해 학습하는 하이브리드 회색상자 모델을 만드는 것.
• 노이즈 특성이 알려지지 않았거나 복잡한 경우에도 사용자가 정의한 제어 펄스와 환경 노이즈 하에서 큐비트 동역학의 정확한 예측을 가능하게 하는 것.
• 프레임워크가 기존의 양자 제어 지표인 노이즈 파wer 스펙트럼과 같은 지표를 추출하고, 다이내믹 디커플링을 수행할 수 있음을 입증하는 것.
• 특정 노이즈 모델이나 제어 가정에 종속되지 않는 일반적인 목적의 실험적으로 관련성이 있는 양자 시스템 특성화 및 제어 솔루션을 제공하는 것.

제안 방법

• 프레임워크는 하이브리드 아키텍처를 사용한다: 시간에 따라 변화하는 해밀토니안 하에서의 시간 진화와 같은 양자역학적 관계는 사용자 정의 화이트박스 레이어로 통합되어 물리적 일관성을 보장한다.
• 모델의 입력은 제어 펄스(fα(t)), 초기 상태, 측정 연산자, 시간 진화 파rameter이며, 출력은 예측된 밀도 행렬 또는 기대값이다.
• 블랙박스 구성 요소는 시뮬레이션된 훈련 데이터로부터 복잡한 비마르코프 노이즈 의존성을 학습하기 위해 게이트드 순환 유닛(GRUs)을 사용한다. 이는 새로운 노이즈 실현치에 대한 일반화를 가능하게 한다.
• 모델은 두 수준의 시스템이 고전적 노이즈와 사용자가 정의한 제어 펄스 하에서 작동하는 양자 시뮬레이터를 사용해 생성한 합성 데이터셋을 기반으로 엔드 투 엔드로 훈련된다.
• 정확한 해와 비교하여 예측을 검증하고, 노이즈 파워 스펙트럼과 같은 표준 양자 제어 지표를 추출함으로써 프레임워크를 검증한다.
• 기울기 기반 분석을 통해 노이즈 특성의 역공학 및 제어 최적화를 가능하게 하여 모델의 해석 가능성을 향상시킨다.

실험 결과

연구 질문

• RQ1 양자역학적 법칙을 화이트박스 구성 요소로 통합한 기계학습 모델이 복잡한 비마르코프 노이즈를 모델링하는 데 있어 전통적인 양자 노이즈 스펙트로스코피를 능가할 수 있는가?
• RQ2 하이브리드 화이트박스 모델이 물리적 일관성을 유지하면서 얼마나 잘 알려지지 않은 노이즈 및 제어 의존성을 학습할 수 있는가?
• RQ3 훈련된 모델을 사용해 명시적인 스펙트럼 분해 없이도 기존의 양자 제어 지표인 노이즈 파워 스펙트럼을 추출할 수 있는가?
• RQ4 다이내믹 디커플링의 맥락에서, 새로운 노이즈 실현치와 제어 시퀀스에 대해 모델의 일반화 능력은 얼마나 뛰어난가?
• RQ5 노이즈 스펙트럼에 대한 사전 지식 없이도 모델을 사용해 디코herence 억제를 위한 효과적인 제어 시퀀스를 설계할 수 있는가?

주요 결과

• 모든 테스트 데이터셋에서 worst-case 상황에서도 예측 오차가 10⁻² 이하로 유지되며, 평균 오차는 10⁻³ 이하, 최고 성능 시나리오에서는 10⁻⁵ 수준에 도달하여 높은 정확도를 입증한다.
• 모델은 예측 결과에서 노이즈 파워 스펙트럼을 성공적으로 추출하여, 명시적인 스펙트럼 분석이 필요 없이도 기존의 표준 양자 노이즈 스펙트로스코피 지표와 호환됨을 보여준다.
• 훈련된 모델은 효과적인 다이내믹 디커플링 시퀀스를 생성하여, 다양한 노이즈 조건 하에서 시뮬레이션된 큐비트 동역학에서 디코herence를 상당히 억제함을 보였다.
• 프레임워크는 새로운 노이즈 실현치와 제어 펄스 시퀀스에 대해 잘 일반화되며, 훈련 데이터의 분포 변화에 대한 강건성을 보여준다.
• CPMG, XY7, GXY 등 다양한 제어 프로토콜에 걸쳐 성능이 일관되게 유지되어, 실제 실험 플랫폼에 대한 유연성과 적용 가능성을 확인한다.
• 신경망 아키텍처에 양자 특징을 통합함으로써 물리적 일관성을 유지하면서도 딥러닝의 표현 능력을 유지할 수 있었으며, 이는 순수 블랙박스 모델에 비해 더 높은 해석 가능성과 정확도를 제공한다.